Aplikasi Data Mining

Perhitungan Predeksi Kelulusan Mahasiswa

Menggunakan Klasifikasi Naive Bayes
Disusun oleh
Ach. Arif S ( 111080200238 )
Maskhud Yunus ( 111080200262 )
M.Arif M ( 111080200215 )
Zanna I.N.K ( 111080200259 )
Sendy Octaviani ( 111080200323 )
Hari Susanto ( 111080200293 )
Algoritma Naive Bayes
Dimana :
P(X) evidence atau bukti P ( X )
P(C) merupakan peluang prior P(C)
P(X|C) peluang bersyarat yang diketahui
disebut sebagai likelihood
P(C|X) peluang bersyarat yang akan dicari atau
peluang posterior
Menghitung P(X|C)
Apabila diberikan k atribut yang saling bebas
(independence), nilai probabilitas dapat diberikan
sebagai berikut.
P(x 1 ,...,x k |C) = P(x 1 |C) x ... x P(x k |C)
Jika atribut ke-i bersifat diskret, maka P(x i |C)
diestimasi sebagai frekuensi relatif dari sampel yang
memiliki nilai x i sebagai atribut ke i dalam kelas
C.Namun jika atribut ke-i bersifat kontinu, maka P(x
i |C) diestimasi dengan fungsi densitas Gauss.


dengan = mean, dan = deviasi standar
Cara kerja Nave Bayesian
Misalkan di berikan sebuah
data sebagai berikut untuk diklasifikasi
Maka dari data
tersebut
diketahui
bahwa X 1, X 2
, . . . , X n
adalah atribut ,
sedangkan
untuk C disebut
sebagai target (
didalamnya
hanya ada dua
kemungkinan
Ya atau
Tidak ). Untuk
mencari solusi
dari target C
diatas kita bisa
menggunakan
model
probabilitas
Naive Bayes
dengan cara
kerja sebagai
berikut
1. Estimasi peluang dari target C Hitung peluang
jika C = ya dan jika C = tidak
2. Estimasi peluang bersyarat Xi terhadap C
Hitung peluang bersyarat masing- masing
atribut X terhadap C, misalnya P( C | X1 ) , P( C
| X2 ) sampai P( C | Xn )
3. Estimasi peluang bersyarat P( X | C ) yang
ingin dicari Hitung P( Xi | C = Ya ) dan P(Xi |
C = Tidak )
4. Bandingkan nilai antara P( Xi | C = Ya ) dan
P( Xi | C = Tidak )
Jika nilai P( Xi | C = Ya ) > P( Xi | C = Tidak )
maka keputusan akhir adalah Ya
Jika nilai P( Xi | C = Ya ) < P ( Xi| C = Tidak )
maka keputusan akhir adalah Tidak